선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 서양인들을 위한 이 진단 기준이 아시아인들에게는 적합하지 않다 는 주장이 제기되어, 】)의 기준을 남자는 】02 cm에서 90 cm로 여자 는 90 cm에서 80 cm으로 바꾼 기준이 최근 사용되고 있다[2]. 본 논문에서는 위와 같이 수정된 진단기준인 Modified NCEP-ATP Ⅲ를 바탕으로 대사증후군을 판별하였다
- 최근 심각한 문제가 되고 있는 대사증후군의 예측을 위해 본 논문은 베이지안 네트워크를 이용한 예측 모델을 제안하였다. 보다 정확한 예측을 위해 구조 학습 전에 속성 순서를 최 적화하였으며, 더 효율적이고 안정적인 모델을 구성하기 위해 의학치식을 적용한 결과 다른 모델보다 정확한 예측을 수행할 수 있었다.
제안 방법
- 1993년에 경기도 연천군에 거주하는 2520명 중 당뇨병 이 없던 2293명 을 대상으로 1차 조사를 하였으며, 1995년 에 2차 조사 시에는 그 중 1193명을 조사하였다[7]. 각 샘플은 연령, 성별 등의 외형적인 정보부터 혈당, 체질량지수등과 같은신체지 수까지 여러 속성을 포함하고 있으며, 본 논문에서는 이 속성을 바탕으로 Modified NCEP-ATP Ⅲ의 기준을 적용하여 대사증후군을 판별하였다. 두 차례의 조사에 모두 참가한 1193명 가운데 결측값을 포함한 일부를 제외한 1135명의 샘플을 대상으로 하였으며, 다른 속성과 중복되거나 모든 샘플이 동일한 값을 가져 불필요한 일부 속성을 제외한 18개의 속성을 사용하였다 18개의 속성은 나이, 성별, 공복혈당, 경구 당부하 검사 2시간째 혈당, 신장, 체중, 허리 둘레, 엉덩이 둘레, 고혈압여부, GOT, GPT, 콜레스테롤, 중성지방, HDL 콜레스테롤, 체질량 지수, 엉덩이.
- 진행과정은 크게 전 처리, 속성 선택, BN 학습, 예측과정의 네 부분으로 나눨 수 있다. 데이터 전처리와 속성 선택 과정에 의학지식을 적용해 보다 신뢰도 높은 모델이 구성되도록 하였으며, 속성 순서 최 적화 과정에도 의학지식의 도움을 받은 후 유전자 알고리즘을 적용하여 효율적인 최적화가 가능하도록 하였다.
- 데이터가 일부 속성만을 제외하고 연속 값을 갖기 때문에 베이지 안 네트워크의 입력으로 사용하기 위해 전처리 과정을 거쳤다. 본 논문에서는 이를 위해 대사증후군의 관련 연구를 참고하고μ], 의 학 전문가의 도움을 받아 적절한 범위를 결정 하였다.
- 각 샘플은 연령, 성별 등의 외형적인 정보부터 혈당, 체질량지수등과 같은신체지 수까지 여러 속성을 포함하고 있으며, 본 논문에서는 이 속성을 바탕으로 Modified NCEP-ATP Ⅲ의 기준을 적용하여 대사증후군을 판별하였다. 두 차례의 조사에 모두 참가한 1193명 가운데 결측값을 포함한 일부를 제외한 1135명의 샘플을 대상으로 하였으며, 다른 속성과 중복되거나 모든 샘플이 동일한 값을 가져 불필요한 일부 속성을 제외한 18개의 속성을 사용하였다 18개의 속성은 나이, 성별, 공복혈당, 경구 당부하 검사 2시간째 혈당, 신장, 체중, 허리 둘레, 엉덩이 둘레, 고혈압여부, GOT, GPT, 콜레스테롤, 중성지방, HDL 콜레스테롤, 체질량 지수, 엉덩이.허리 둘레비, 수축기 혈압, 이완기 혈압이다.
- 마지막으로 다른 예측 모델과의 예측율 비교실험을 수행하였다. 표 2를 보면 신경망과 kNN보다 제안하는 방법의 의해 만들어진 BN 모델이 더 높은 예측율을 보임을 확인할 수 있으며, 역시 통계적으로 유의한 차이를 보안다.
- Larranaga 등은 이 최적화 문제를 TSP (Traveling Salesman Problem)로 생각하고, 유전자 알고리즘의 여러 연산자를 적용하는 연구를 수행하였다[6]. 본 논문 또한 속성 순서를 최적화 하기위해 유전자 알고리즘을 사용하였으며, 의학지식을 함께 적용하여 GA의 탐색공간을 줄여 보다 효을적 인 수행 이 가능하도록 하였다.
- 하지만 일반적으로 비만관련 속성이 먼저 나타나고 대사이상 관련 속성 에 영향을 미친다고 알려져 있다μ]. 본 논문 은 레이블을 포함한 열 두 개의 속성을 위의 사실을 바탕으로 비만 관련 속성(허리둘레, 체질량 지수, 허리 엉덩이 둘레비), 대사이상 관련 속성(공복혈당, 경구 당부하 검사 2시간째 혈당, 중성지방, HDL 콜레스테롤), 그리고 개별 속성을 그룹으로 하는 나머지 다섯 개의 속성 그룹으로 각각 묶었다.
- 데이터가 일부 속성만을 제외하고 연속 값을 갖기 때문에 베이지 안 네트워크의 입력으로 사용하기 위해 전처리 과정을 거쳤다. 본 논문에서는 이를 위해 대사증후군의 관련 연구를 참고하고μ], 의 학 전문가의 도움을 받아 적절한 범위를 결정 하였다.
- 앞에서 최적화된 속성 순서를 바탕으로, 베이지안 네트워크의 학 습을 수행 하였다 대표적인 구조학습알고리 즘인 K2 알고리 즘이 네트워크 구조학습을 위해 사용되었으몌5], 구조가 결정된 후 학습 데이터의 빈도수를 바탕으로 파라미터를 계산한 후 예측 모델을 구 성하였다.
- 제안하는 모델의 유용성을 보이기 위해 신경망(Neural Network, NN)과 k 최근접 이웃(农nearest neighbors, kNN)의 두 모델과 비교 실험을 수행하였다. 신경망은 11-20-2^1 입력-중간 -출력 노드를 사용하였으며 kNN의 *는 예비 실험을 통해 높은 성능을 보인 3을 선택하였다 유전자 알고리즘의한 세대의 개 체 수는 2。이 설정되었고 100세대까지 진화시켰다.
- 첫 번째 실험은 속성을 달리한 베이지안 네트워크 모델간의 비교 실험으로 정의를 위해 필요한 기본 8속성을 이용한 모델, 의학지식 통해 선택한 11속성을 이용하는 제안하는 모델, 전체 18속성을 이용한 모델을 이용한 경우의 예측율을 비교하였다. 표 1을 보면 11속성을 갖는 제안하는 모델이 가장 높은 예측 율을 보이는 것을 확인할 수 있으며 이 차이는 통계적으로 유의한 값이다.
대상 데이터
- 실험에 사용된 데이터는 원래 지역 사회를 기반으로 한 역학 연구를 위해 조사되었다. 1993년에 경기도 연천군에 거주하는 2520명 중 당뇨병 이 없던 2293명 을 대상으로 1차 조사를 하였으며, 1995년 에 2차 조사 시에는 그 중 1193명을 조사하였다[7]. 각 샘플은 연령, 성별 등의 외형적인 정보부터 혈당, 체질량지수등과 같은신체지 수까지 여러 속성을 포함하고 있으며, 본 논문에서는 이 속성을 바탕으로 Modified NCEP-ATP Ⅲ의 기준을 적용하여 대사증후군을 판별하였다.
- 실험에 사용된 데이터는 원래 지역 사회를 기반으로 한 역학 연구를 위해 조사되었다. 1993년에 경기도 연천군에 거주하는 2520명 중 당뇨병 이 없던 2293명 을 대상으로 1차 조사를 하였으며, 1995년 에 2차 조사 시에는 그 중 1193명을 조사하였다[7].
데이터처리
- 02의 돌연변이율, 1。의 교차율을 사용하였으나, 순환 교 차연산의 경우 교차 후 동일한 결과가 나을 수도 있으므로 실 질적으로는 1보다 작은 비율로 교차가 이루어진다. 진화 전의 실험에는 10-fbld cross validation을 30차례 수행하여 평균값을 사용했으며, 진화시에는 데이터를 3丄】의 비율로 나눠 학습, 검증, 테스트를 위해 사용하였다
이론/모형
- 본 논문은 대사증후군을 예측하는 문제를 다룬다 이틀 위해서 베 이 지 안 네 트워 크를 이용하여 예측 모델올 구성 하며 , 네트워크 구조 학습을 위해서는 널리 알려진 Cooper와 Herskovitz의 K2 알고리즘을 사용한다[5]. K2 알고리 즘은 입력 속성 의 순서 에 영 향올 받으므 로 베이지안 네트워크에 입력되는 속성의 순서를 최적화하는 것 또한 하나의 연구주제이다[6丄 본 논문은 효율적인 속성순서의 최적 화를 위해 의학 지식을 적용하고, 유전자 알고리즘을 사용하였다. 이후 구조학습과 파라미터 학습과정을 거쳐 예측모델을 완성하고, 제안하는 모델의 유용성을 보이기 위해 예측 실험을 수행하였으며 그 결과 높은 예측율올 얻었다.
- 본 논문은 대사증후군을 예측하는 문제를 다룬다 이틀 위해서 베 이 지 안 네 트워 크를 이용하여 예측 모델올 구성 하며 , 네트워크 구조 학습을 위해서는 널리 알려진 Cooper와 Herskovitz의 K2 알고리즘을 사용한다[5]. K2 알고리 즘은 입력 속성 의 순서 에 영 향올 받으므 로 베이지안 네트워크에 입력되는 속성의 순서를 최적화하는 것 또한 하나의 연구주제이다[6丄 본 논문은 효율적인 속성순서의 최적 화를 위해 의학 지식을 적용하고, 유전자 알고리즘을 사용하였다.
성능/효과
- 최근 심각한 문제가 되고 있는 대사증후군의 예측을 위해 본 논문은 베이지안 네트워크를 이용한 예측 모델을 제안하였다. 보다 정확한 예측을 위해 구조 학습 전에 속성 순서를 최 적화하였으며, 더 효율적이고 안정적인 모델을 구성하기 위해 의학치식을 적용한 결과 다른 모델보다 정확한 예측을 수행할 수 있었다.
- 표 2를 보면 신경망과 kNN보다 제안하는 방법의 의해 만들어진 BN 모델이 더 높은 예측율을 보임을 확인할 수 있으며, 역시 통계적으로 유의한 차이를 보안다. 이) 일반적으로 BN이 신경망보다 정확도 면에서는 떨어진다고 알려져 있으나, 본 논문에서는 의학지식을 이용한 전처리 및 속성 선택 이 효과적으로 이루어진 결과 BN이 더 졺은 결과를 보였다고 해석할 수 있다.
- K2 알고리 즘은 입력 속성 의 순서 에 영 향올 받으므 로 베이지안 네트워크에 입력되는 속성의 순서를 최적화하는 것 또한 하나의 연구주제이다[6丄 본 논문은 효율적인 속성순서의 최적 화를 위해 의학 지식을 적용하고, 유전자 알고리즘을 사용하였다. 이후 구조학습과 파라미터 학습과정을 거쳐 예측모델을 완성하고, 제안하는 모델의 유용성을 보이기 위해 예측 실험을 수행하였으며 그 결과 높은 예측율올 얻었다.
- 첫 번째 실험은 속성을 달리한 베이지안 네트워크 모델간의 비교 실험으로 정의를 위해 필요한 기본 8속성을 이용한 모델, 의학지식 통해 선택한 11속성을 이용하는 제안하는 모델, 전체 18속성을 이용한 모델을 이용한 경우의 예측율을 비교하였다. 표 1을 보면 11속성을 갖는 제안하는 모델이 가장 높은 예측 율을 보이는 것을 확인할 수 있으며 이 차이는 통계적으로 유의한 값이다. (p<0.
- 마지막으로 다른 예측 모델과의 예측율 비교실험을 수행하였다. 표 2를 보면 신경망과 kNN보다 제안하는 방법의 의해 만들어진 BN 모델이 더 높은 예측율을 보임을 확인할 수 있으며, 역시 통계적으로 유의한 차이를 보안다. 이) 일반적으로 BN이 신경망보다 정확도 면에서는 떨어진다고 알려져 있으나, 본 논문에서는 의학지식을 이용한 전처리 및 속성 선택 이 효과적으로 이루어진 결과 BN이 더 졺은 결과를 보였다고 해석할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.